H2-Cache：面向生成式扩散模型的新型分层双阶段缓存
计算机视觉与模式识别
2025-11-06 v1 人工智能
摘要
生成式扩散模型在图像生成中取得了最先进的成绩，但其实际部署受制于迭代去噪过程的计算成本。虽然现有缓存技术可加速推理，但往往在速度与保真度之间存在困难的权衡，导致质量下降和高计算开销。为解决这些限制，我们引入 H2-Cache，一种为现代生成式扩散模型架构设计的新型分层缓存机制。我们的方法建立在关键洞见之上：去噪过程可功能性地分为决定结构的阶段和细节优化的阶段。H2-Cache 利用这一点，采用双阈值系统，独立地为每个阶段选择性地进行缓存。为确保双重检查方法的效率，我们引入了池化特征概括 (PFS)，一种轻量级技术，用于稳健且快速的相似性估计。在 Flux 架构上的大量实验表明，H2-Cache 实现了显著的加速（最高达 5.08 倍），同时保持图像质量几乎与基线相当，定性和定量地超越了现有缓存方法。我们的工作提出了一个稳健且实用的解决方案，有效解决了速度与质量之间的困境，大幅降低了高保真度扩散模型在实际应用中的门槛。源代码可在 https://github.com/Bluear7878/H2-cache-A-Hierarchical-Dual-Stage-Cache 获取。
引用
@article{arxiv.2510.27171,
title = {H2-Cache: A Novel Hierarchical Dual-Stage Cache for High-Performance Acceleration of Generative Diffusion Models},
author = {Mingyu Sung and Il-Min Kim and Sangseok Yun and Jae-Mo Kang},
journal= {arXiv preprint arXiv:2510.27171},
year = {2025}
}